https://jurnal.masoemuniversity.ac.id/index.php/aims
145
Penerapan Data Mining Menggunakan Metode Clustering Untuk Mengetahui Kelompok Kepatuhan Wajib Pajak
Bumi dan Bangunan
Medina Aprilia Putri1, Nining Rahaningsih2, Fadhil M Basysyar3 , Odi Nurdiawan4
1,2Komputerisasi Akuntansi, STMIK IKMI Cirebon, Indonesia
3Sistem Informasi, STMIK IKMI Cirebon, Indonesia
4Manajemen Informatika, STMIK IKMI Cirebon, Indonesia [email protected]
Info Artikel ABSTRACT Sejarah artikel :
Diterima Maret 2022 Direvisi Agustus 2022 Disetujui September 2022 Diterbitkan September 2022
Local taxes are taxes set by local governments whose collection authority and tax proceeds are used to fund regional expenditures.
One of the taxes included in the authority of local governments is the Land and Building Tax (PBB). Land and Building Tax is one of the taxes that can be paid through the village government. With the increasing number of taxpayers in the village, the data on payment of tax contributions that go directly to the state treasury causes the Kendal Village government, Astanajapura District, Cirebon Regency not to know how many taxpayers are obedient and disobedient. This study uses data mining techniques namely the Clustering Method using the K-Means method. This study uses the Knowledge Discovery in Database (KDD) stage with the amount of data used as much as 1,159 in the form of taxpayer data for the Kendal Village community in 2021. The results of the RapidMiner test using the Davies Bouldin Index calculation obtained a cluster determination value with a value of 4 (0.862). Cluster 0 contains members who have a low level of compliance in paying PBB, Cluster 1 contains members of taxpayers with a moderate level of compliance in paying PBB, Cluster 2 has a high level of taxpayer compliance and Cluster 3 is a cluster with a very high level of taxpayer compliance.
By having the most dominant average price determined by PBB in each cluster is Rp. 18.000,-.
Keywords : Clustering; Data Mining; K-Means; Land and Building Tax; Tax Compliance.
ABSTRAK
Pajak Daerah merupakan pajak yang ditetapkan oleh pemerintah Daerah yang wewenang pemungutan dan hasil pajaknya digunakan untuk mendanai pengeluaran daerah tersebut. Salah satu pajak yang termasuk wewenang pemerintah daerah adalah Pajak Bumi dan Bangunan (PBB).
Pajak Bumi dan Bangunan merupakan salah satu pajak yang pembayarannya dapat melalui pemerintah Desa. Dengan semakin banyaknya wajib pajak yang ada di Desa, data pembayaran iuran Pajak yang langsung masuk ke kas negara menyebabkan pihak pemerintah Desa Kendal Kecamatan Astanajapura Kabupaten Cirebon tidak mengetahui seberapa banyak masyarakat wajib pajak yang patuh dan tidak patuh. Pada penelitian ini menggunakan Teknik data mining yaitu Metode Clustering dengan menggunkan metode K-Means. Penelitian ini menggunakan tahapan Knowledge Discovery in Database (KDD) dengan jumlah data yang digunakan sebanyak 1.159 yang berupa data Wajib Pajak masyarakat Desa Kendal Tahun 2021. Hasil dari pengujian RapidMiner dengan menggunakan perhitungan Davies Bouldin Index diperoleh nilai penentuan klaster dengan nilai 4 (0.862). Cluster 0 berisikan anggota yang memiliki tingkat kepatuhan membayar PBB yang rendah, Cluster 1 berisikan anggota Wajib pajak dengan tingkat kepatuhan
146 membayar PBB yang sedang, Cluster 2 memiliki tingkat kepatuhan Wajib Pajak yang tinggi dan Cluster 3 adalah cluster dengan tingkat kepatuhan Wajib Pajak yang sangat tinggi. Dengan memiliki rata-rata harga ketetapan PBB yang paling mendominan pada setiap cluster adalah Rp.
18.000,-.
Kata Kunci : Clustering; Data Mining; K-Means; Kepatuhan Pajak; Pajak Bumi dan Bangunan.
PENDAHULUAN
Perpajakan merupakan salah satu bagian terpenting dalam Anggaran Pendapatan dan Belanja Negara (APBN). Hal ini terbukti dari bersarnya kontribusi penerimaan pajak dalam mendanai APBN setiap tahunnya. Tercatat seluruh komponen penerimaan yang bersumber dari pajak hingga akhir September 2021 telah mencapai Rp 850,06 triliun atau 69,3 persen terhadap target APBN 2021. Pajak dikenakan kepada seluruh masyarakat sesuai dengan undang-undang yang berlaku. Berdasarkan Undang-Undang Nomor 23 tahun 2014 tentang Pemerintahan Daerah, Pemerintah Daerah berhak mengatur dan mengurus urusan pemerintahan dan kepentingan masyarakatnya sendiri. Salah satu sumber yang dimiliki dan dikelola oleh Pemerintah Daerah adalah Pendapatan Asli Daerah (PAD).
Pendapatan Asli Daerah merupakan pendapatan yang diperoleh dari hasil pemungutan pajak kepada wajib pajak yang sesuai dengan peraturan perundang- undangan dan bersifat memaksa. Salah satu pajak yang termasuk PAD adalah Pajak Bumi dan Bangunan. Menurut undang-undang nomor 12 tahun 1985, pajak Bumi dan Bangunan adalah pajak yang bersifat kebendaan. Artinya, besarnya tanggungan pajak ditentukan oleh keadaan objek yaitu bumi/tanah dan bangunan bukan dari keadaan subjek (pelaku wajib pajak) itu sendiri.
Dalam Undang-Undang nomor 28 tahun 2009 tentang Pajak Daerah dan Retribusi Daerah [1], Pajak bumi dan Bangunan (PBB) Perdesaan dan Perkotaan adalah pajak atas bumi dan/atau bangunan yang dimiliki, dikuasai, dan/atau dimanfaatkan oleh orang pribadi atau badan, kecuali kawasan yang digunakan untuk kegiatan usaha perkebunan, perhutanan dan pertambangan. Yang dimaksud bumi dalam pasal 28 ini adalah permukaan bumi yang meliputi tanah dan perairan pedalaman serta laut wilayah kabupaten/kota. Sedangkan Bangunan adalah konstruksi teknik yang ditanam atau diletakkan secara tetap pada tanah dan/atau perairan pedalaman dan/atau laut.
Pajak memiliki dua fungsi [2][3] yaitu, fungsi budgetair dan fungsi mengatur/regulasi. Fungsi budgetair adalah pajak yang berfungsi sebagai alat pemerintah untuk mendapatkan penghasilan dari masyarakat yang digunakan untuk berbagai kepentingan negara. Berdasarkan fungsi budgetair ini, adanya kesadaran dan kedisiplinan masyarakat untuk mematuhi kewajiban sebagai pelaku Wajib pajak sangat dibutuhkan. Hal ini yang akan menentukan tinggi atau rendahnya tingkat kepatuhan wajib pajak pada suatu daerah. Dengan semakin bertambahnya wajib pajak pada suatu daerah, maka data yang tersimpan juga akan semakin banyak.
Pada umumnya, kepatuhan pajak terbagi menjadi dua, yaitu kepatuhan formal dan kepatuhan material. Kepatuhan formal adalah keadaan dimana wajib pajak memenuhi kewajiban secara formal sesuai dengan ketentuan dalam Undang- Undang perpajakan. Maksudnya, kepatuhan pajak secara formal ini adalah kepatuhan yang mencakup sejauh mana wajib pajak patuh terhadap persyaratan
147
prosedural dan administrasi pajak, termasuk mengenai syarat pelaporan serta waktu untuk menyampaikan dan membayar pajak. Sedangkan arti dari kepatuhan material adalah keadaan dimana wajib pajak secara substantif atau hakikatnya memenuhi semua ketentuan material perpajkan yakni sesuai isi dan jiwa Undang- Undang. Wajib pajak yang memenuhi kepatuhan material adalah wajib pajak yang mengisi formulir Surat Pemberitahuan Objek Pajak (SPOP). SPOP tersebut diisi dengan jelas, benar dan lengkap sesuai dengan objek pajak dan wajib pajak membayar pajak yang terutang disertai dengan bukti SPPT. [4]
Menurut M. nanda Variesta Waworuntu dkk [5] Penerapan Metode K-Means pemetaan calon penerima JAMKESDA memberikan 2 kelompok yaitu kelompok mampu (cluster 1) yang memiliki jumlah penghasilan tinggi dan jumlah anggota keluarga sedikit. Sedangkan kelompok 2 yaitu kelompok tidak mampu (cluster 0) memiliki jumlah anggota sebanyak 334 anggota. sedangkan menurut [6] Penerapan Metode K-Means dalam pengelompokkan wilayah menurut intensitas kejadian bencana alam di Indonesia Tahun 2013-2018 dimana pengelompokkan ini bertujuan untuk mengetahui wilayah yang rawan terjadinya bencana alam. Hasil dari pengelompokan ini menghasilkan 2 cluster optimal, cluster pertama merupakan wilayah yang rawan terjadinya bencana alam dengan memiliki 3 anggota dari 34 Provinsi. Sedangkan cluster kedua berisikan wilayah yang bukan daerah rawan terjadinya bencana alam terdiri dari 31 anggota.
Desa Kendal Kecamatan Astanajapura merupakan salah satu Instansi Pemerintah yang memiliki wewenang untuk melakukan pemungutan Pajak Bumi dan Bangunan kepada masyarakat di wilayahnya sendiri. Desa Kendal juga mempunyai tanggung jawab terhadap laporan hasil penerimaan PBB sekaligus memperkirakan pemasukan pajak di wilayahnya. Pada tahun 2021, sebanyak 1.159 data wajib pajak Bumi dan Bangunan yang ada di Desa Kendal. Dengan data yang sebanyak ini, Sekretaris Desa selaku kordinator penanganan pajak Bumi dan Bangunan mengalami beberapa kesulitan untuk mengetahui kelompok kepatuhan Wajib Pajak dan mengetahui Blok mana yang tingkat kepatuhan dalam membayar pajak PBB yang tinggi dan yang rendah. Maka dari itu, dibuatlah sebuah pemodelan data agar petugas yang memiliki wewenang dalam PBB dapat mengetahui kelompok Wajib Pajak PBB dan Blok yang memiliki tingkat keptuhan pajak yang tinggi dan rendah.
Data yang akan digunakan dalam penelitian ini berisikan 6 (enam) atribut, yaitu Nomor Objek Pajak (NOP), Nama Wajib Pajak, Ketetapan PBB dan Alamat Objek Pajak. Sedangkan untuk atribut status dan atribut SPPT merupakan atribut tambahan yang ditambahkan oleh peniliti. Atribut SPPT menjelaskan keberadaan SPPT apakah SPPT terhutang pajak berada di Kantor Pemerintah Desa Kendal atau tidak. Sedangkan Atribut Status berisi apakah wajib pajak sudah membayar iuran PBB atau belum ditentukan oleh keberadaan Surat Pemberitahuan Pajak Terutang (SPPT). Jika wajib pajak sudah membayar iuran PBB, maka SPPT akan diserahkan kepada wajib pajak itu sendiri. Sedangkan jika wajib Pajak belum melakukan pembayaran PBB, SPPT masih disimpan di Kantor Pemerintah Desa Kendal. Hal ini yang menentukan pelabelan pada kolom STATUS dengan menggunakan kriteria
‘LUNAS’ bagi wajib pajak yang sudah membayar PBB dan kriteria
‘MENUNGGAK’ bagi wajib pajak yang belum melakukan pembayaran PBB.
148
Tabel 1. Data Wajib Pajak PBB
NOP NAMA
WAJIB PAJAK
KETETAPAN PBB 2021
ALAMAT OBJEK
PAJAK STATUS SPPT 32.11.080.006.001.0001.0 Tuni’ah 18.000 Pon Lunas Tidak Ada 32.11.080.006.001.0148.0 Sudira 23.534 Manis Lunas Tidak
Ada 32.11.080.006.001.0184.0 Tarimah 18.000 Manis Menunggak Ada 32.11.080.006.001.0479.0 Mualimin,
H 52.682 Wage Lunas Tidak
Ada 32.11.080.006.001.0480.0 Sukardi 25.460 Wage Menunggak Ada 32.11.080.006.001.0048.0 Ru’ati 18.000 Pon Menunggak Ada 32.11.080.006.001.0403.0 Rubaiah 99.044 Pahing Lunas Tidak
Ada Sumber: Kantor Pemerintah Desa Kendal
METODE
Adapun teknik pengumpulan data dalam penelitian ini yaitu :
1. Observasi; objek penelitian ini adalah Pemerintah Desa Kendal. Jenis data yang digunakan adalah data primer, yang dimaksud data primer adalah data yang didapat langsung oleh kantor Pemerintah Desa Kendal dengan menggunakan metode wawancara, studi dokumentasi dan Observasi.
2. Wawancara; pada metode penelitian ini peneliti melakukan wawancara dengan Sekretaris Desa selaku Kordinator Pajak Bumi dan Bangunan Desa Kendal.
3. Studi Dokumentasi; adapun penelitian ini dokumen yang digunakan yaitu buku, jurnal terkareditasi dan data pendukung.
Dalam melakukan analisis dan pembahasan terhadap masalah yang terjadi, maka penelitian ini menggunakan data kuantitatif. Sumber data yang digunakan adalah data sekunder yaitu data yang berasal dari kantor Pemerintah Desa Kendal Kecamatan Astanajapura Kabupaten Cirebon. Proses pengambilan data yang akan digunakan dalam data mining dilakukan secara bertahap. Setelah mendapatkan data mentah kemudian akan dilakukan seleksi dan diolah menjadi sebuah informasi atau benang merah. Metode Knowledge discovery in database (KDD) adalah salah satu proses yang menggunakan data mining sebagai alat untuk mengekstrak pengetahuan yang dianggap sesuai dengan spesifikasi ukuran dan batas, menggunakan database secara bersamaan dengan preprocessing yang diperlukan dan pengambilan sampel serta informasi dari database [7]. Berikut tahapan proses KDD yang akan tunjukan pada Gambar 1.
Gambar 1. Tahapan Penelitian [7]
149
Adapun penjelasan tahapan penelitian yaitu :
1. Data Selection (pemilihan data), seringkali data yang diperoleh tidak semua digunakan, oleh karena itu hanya data yang sesuai dengan kebutuhan analisis yang akan diambil dari database.
2. Data Cleaning, pada tahap awal data mining ini, data mentah yang telah diperoleh akan dibersihkan dari kesalahan atau tidak lengkapnya kriteria data.
3. Transformasi Data (transformasi data), tahap ini dilakukan dengan menempatkan data yang relevan ke dalam prosedur data mining.
4. Data Mining, tahap utama dari proses pengumpulan data adalah data minig, yang merupakan identifikasi persyaratan umum yang disepakati untuk mengambil teknik atau metode tertentu.
5. Interpretasi / Evaluasi, model informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan.
Data mining menurut Han Jiawei dan M. Kamber adalah proses mengekstrasi pola-pola yang menarik (implisit, tidak diketahui sebelumnya dan berpotensi untuk dimanfaatkan) dari data yang berukuran besar [8]. Proses data mining adalah salah satu alat yang digunakan untuk menemukan pola dan hubungan antar data.
Pola dan hubungan ini sebelumnya belum diketahui karena berada dalam kumpulan data yang amat besar. Alat-alat ini yang nantinya dapat menggabungkan model statistik, teknik machine learning, dan algoritma.
Clustering merupakan salah satu metode data mining yang bersifat tanpa arahan (unsupervised). Terdapat dua jenis data clustering yang sering digunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non-hierarchical (non hirarki) data clustering [9].
K-Means clustering merupakan metode yang dikembangkan oleh Mac Queen pada tahun 1967. K-means adalah metode pengklasteran secara patriotitioning yang memisahkan data kedalam kelompok yang berbeda. Dengan patriotitioning secara iterasi, K-means mampu meminimalkan rata-rata jarak setiap data ke klasternya [5]
Berikut Langkah-langkah yang terdapat pada algoritma K-means [10] : 1. Tentukan jumlah kluster (k), tetapkan pusat kluster secara acak 2. Hitung jarak setiap data ke pusat cluster
3. Kelompokan data ke dalam kluster dengan jarak yang paling pendek 4. Hitung pusat kluster baru
5. Ulangi Langkah 2 (dua) sampai 4 (empat) sehingga tidak ada lagi data yang pindah ke cluster lain.
HASIL DAN PEMBAHASAN Data Selection
Pada tahap awal, sumber data yang telah diperoleh akan dipisahkan antara data yang akan digunakan dan data yang tidak digunakan. Data yang digunakan hanya data yang sesuai dengan variabel perhitungan yang digunakan untuk dianalisis.
150
Gambar 2. Data yang akan digunakan
Pada penelitian ini, atribut yang sesuai dengan proses yang akan dilakukan hanyalah Nomor Objek Pajak (NOP) dan ketetapan PBB 2021. Sedangkan Alamat objek pajak, keberadaan SPPT, serta atribut Status yang digunakan sebagai akurasi untuk prediksi potensi nanti adalah atribut yang ditambahkan oleh peneliti untuk menunjang pemodelan data nanti.
Data Cleaning
Dengan kemungkinan masih adanya data yang kosong, ganda dan missing, dilakukannya proses cleaning masih sangat dibutuhkan. Tujuannya agar data yang tidak relevan itu bisa terhapus karena keberadaannya dapat mengurangi tingkat akurasi dari hasil data mining nantinya.
Gambar 3. Hasil data cleaning
Gambar 3 merupakan hasil dari pembersihan data terhadap data kosong dan data missing. hal ini dihasilkan dari mengaktifkannya Replace errors with missing values pada saat proses memasukan data kedalam rapidminer. Pada kenyataannya, data PBB Kendal tahun 2021 tidak memiliki data yang kosong dan missing, sehingga data wajib pajak tetap sebanyak 1.159 data.
151
Data Transformation
Pada tahapan ini, data yang terpilih dan dibersihkan selanjutnya akan ditransformasikan kedalam bentuk-bentuk yang sesuai dengan algoritma yang digunakan. Prosedur perubahan data yang dilakukan pada penelitian ini memiliki dua tahapan. Tahap pertama adalah mengubah variabel yang digunakan menjadi numerik dengan menggunakan operator Nominal to Numerical karena bentuk data yang di dapat masih bervariabel nominal. Tahap ini merupakan tahap yang penting, karena K-Means adalah algoritma yang hanya bisa menggunakan data yang bervariabel numerik.
Gambar 4. Hasil transformasi data
Tahap kedua adalah normalisasi data dengan menggunakan operator Normalize. Tahap ini bertujuan untuk memperkecil jarak antar nominal ketetapan PBB, Hal ini dilakukan karena besarnya selisih jumlah ketetapan PBB sehingga jika jarak tersebut terlalu besar, hasil dari proses pemodelan ini akan menjadi kurang optimal. Pada proses normalisasi menggunakan rapidminer ini, metode transformasi yang digunakan adalah metode range transformation yaitu metode dimana nilai jarak yang diinginkan bisa ditentukan. Pada penelitian ini parameter yang digunakan adalah nilai min = 0.0 dan nilai max = 1.0.
Gambar 5. Hasil normalisasi Data Mining
Pada tahapan ini dilakukannya pemodelan data menggunakan hasil dari transformasi yang sudah dilakukan. Adapun metode yang digunakan dalam penelitian ini adalah metode clustering dengan menerapkan algoritma k-means dimana diketahui nilai k = 4, max runs sebanyak 60 kali putaran dan jenis measure
152
types nya adalah NumericalMeasures dengan menggunakan metode perhitungan EuclideanDistance dan max optimization steps nya berjumlah 100.
Gambar 6. Hasil Clustering Interpretasi
Pada tahap ini pola informasi yang telah dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan.
Tabel 2. anggota cluster berdasarkan penyebutan Tingkat Kepatuhan
Setelah melakukan 4 (empat) percobaan untuk menentukan nilai k, Pada Percobaan ketiga dengan menggunakan nilai k yang ditentukan adalah 4 menghasilkan nilai Performance Vektor (Davies Bouldin Index) yang lebih optimal dibandingkan dengan percobaan pertama dan kedua. Nilai yang dihasilkan yaitu nilai yang mendekati 0 dengan nilai -0.862.
Tabel 3. Percobaan dalam menentukan nilai k Nilai k Average (avg) Davies Bouldin Index
(DBI)
2 -0.843 -0.899
3 -0.710 -0.872
4 -0.534 -0.862
5 -0.461 -1.028
Menunggak Lunas
Cluster_0 222 146 rendah
Cluster_1 154 Sedang
Cluster _2 246 tinggi
Cluster _3 391 sangat tinggi
Tingkat Kepatuhan
153
Gambar 7. Scatter Plot status Lunas
Gambar 8. Scatter Plot status Menunggak
Setelah melakukan pemodelan clustering, maka tahap selanjutnya adalah melakukan validasi clustering dengan menggunakan operator cluster distance performance agar diketahui nilai DBI (Davies Bouldin Index). Hal ini memiliki tujuan untuk memaksimalkan pengukuran jarak cluster satu dengan cluster yang lain. Pada operator ini parameter main criterion nya diubah menjadi Davies Bouldin Index.
Davies Bouldin Index (DBI) adala metode yang digunakan untuk mengevaluasi cluster yang dikenalkan oleh David L. Davies dan Donald W. Bouldin. DBI adalah suatu metode yang digunakan untuk mengukur validitas cluster dalam metode clustering. Pengukuran dalam DBI dapat memaksimalkan jarak antara cluster Ci dan Cj dan pada saat yang sama mencoba untuk meminimalkan jarak antara titik- titik dalam cluster [10].
Keanggotaan cluster dikelompokkan berdasarkan kemiripannya, percobaan yang digunakan hanya percobaan dengan nilai 4 cluster. Dari pengamatan hasil clustering, diperoleh bahwa wajib pajak yang menempati cluster 0 memiliki kepatuhan dalam membayar pajak yang rendah dengan memiliki 222 Wajib Pajak yang menunggak dan 146 wajib pajak yang lunas, cluster 0 ini didominasi oleh blok pahing dengan 68 wajib pajak yang menunggak. Tingkat kesadaran wajib pajak pada cluster 1 bisa dikatakan sedang, artinya jumlah wajib pajak yang Lunas dalam
154
cluster ini mengalami kenaikan dalam hal wajib pajak yang Lunas dan tidak memiliki wajib pajak yang menunggak, anggota dari cluster 1 ini didominasi oleh blok wage dengan jumlah wajib pajak yang sudah membayar pajak sebanyak 154 wajib pajak.
Gambar 9. Proses Pengujian
Cluster 2 bisa disebut sebagai cluster yang memiliki tingkat kepatuhan pajak yang tinggi. Hal ini disebabkan oleh meningkatnya status lunas wajib pajak dari cluster sebelumnya yaitu sebanyak 246 anggota. Cluster ini didominasi oleh blok manis dengan tidak memiliki anggota cluster yang menunggak. Cluster terakhir yang dihasilkan adalah cluster 3. Cluster ini bisa disebut sebagai cluster dengan tingkat kepatuhannya sangat tinggi, hal ini disebabkan karena status Lunas terhadap pembayaran iuran PBB pada cluster ini memiliki 391 anggota dan tidak memiliki anggota menunggak dengan didominasi oleh Blok Pahing sebanyak 151 anggota.
Untuk mengetahui kisaran harga ketetapan PBB pada setiap klaster, peneliti menggunakan tools dari Microsoft excel yaitu Filter kemudian menggunakan rumus persentase berikut ini:
Persentase (%) = Jumlah bagian x 100%
Jumlah total Tabel 4. jumlah anggota cluster
Setelah melakukan perhitungan, dapat ditemukan bahwa kisaran harga ketetapan PBB pada cluster 0 adalah Rp. 18.000 dengan memiliki 174 anggota dari
Cluster_0 Cluster_1 Cluster_2 Cluster_3
PON 37 - - 142
MANIS 17 - 246 -
PAHING 69 - - 151
WAGE 38 154 - -
TRIKEM 46 - - 106
PUTAT 5 - - 27
SILAWUNG 6 - - 29
SIMUBAL 3 - - 34
GEMPOL 4 - - 19
CIBUK 1 - - 25
TOTAL = 226 154 246 533
155
226 anggota cluster 0 serta jumlah persentasenya sebesar 77%. Pada cluster 1 memiliki 117 dari 154 Wajib Pajak dengan harga ketetapan PBB nya adalah Rp.
18.000,- dan persentase mencapai 76%. Dari 246 anggota cluster 2, 187 anggota lainnya adalah Wajib Pajak yang memiliki nilai ketetapan PBB Rp.18.000,- yang kemudian memperoleh persentase sebesar 76%. Pada cluster 3 juga ditemukan bahwa Rp. 18.000,- adalah harga ketetapan PBB yang paling banyak dimiliki Wajib Pajak, pada cluster ini persentase yang dihasilkan adalah 44,3%. Maka, dapat disimpulkan bahwa baik cluster 0, cluster 1, cluster 2 maupun cluster 3 memiliki kesamaan dalam hal dominasi harga ketetapan PBB 2021 yaitu Rp. 18.000,-.
PENUTUP
Berdasarkan hasil analisis dan pembahasan diatas, dapat disimpulkan bahwa dengan menggunakan metode K-Means, data Wajib Pajak Bumi dan Bangunan Desa Kendal pada tahun 2021 dapat dikelompokkan menjadi 4 cluster.
Blok yang memiliki tingkat kepatuhan PBB yang rendah adalah Blok Pahing yang beranggotakan 68 Wajib Pajak yang menunggak. Sedangkan rata-rata harga ketetapan PBB yang paling mendominan pada setiap cluster adalah Rp. 18.000,-, dengan persentase harga ketetapan PBB pada cluster 0 sebesar 77%, cluster 1 76%, cluster 2 76% dan cluster 3 sebesar 44,3%. Dengan bantuan software RapidMiner yang digunakan selama penelitian ini, maka didapat sebuah knowledge:
1. Cluster 0 adalah cluster dengan tingkat kepatuhan pajaknya masih rendah. Pada cluster ini jumlah anggota Wajib Pajak yang menunggak lebih banyak dibandingkan dengan jumlah Wajib Pajak yang lunas yaitu 4 anggota Wajib Pajak yang Lunas dan 222 anggota Wajib Pajak yang Menunggak.
2. Cluster 1 adalah cluster yang memiliki tingkat kepatuhan Pajak Bumi dan Bangunan yang sedang, karena pada cluster ini memiliki 154 Wajib Pajak yang Lunas dan tidak memiliki anggota Wajib Pajak yang menunggak.
3. Cluster 2 merupakan cluster dengan tingkat kepatuhan yang tinggi, hal ini dikarenakan jumlah Wajib Pajak yang Lunas mencapai 246 angggota.
4. Sedangkan cluster 3 adalah cluster dengan tingkat kepatuhan PBB yang paling tinggi dengan memiliki 533 anggota.
Adapun saran yang dapat diberikan setelah melakukan penelitian adalah:
1. Penelitian selanjutnya diharapkan dapat menambahkan variable penentu lainnya sehingga wajib pajak dapat dikategorikan sebagai wajib pajak yang lunas dalam membayar iuran PBB.
2. Untuk selanjutnya diharapkan penelitian ini dapat diterapkan dengan menggunakan algoritma yang lain agar dapat mengembangkan penelitian dimasa yang akan datang.
3. Bagi Pemerintah Desa Kendal diharapkan dapat meningkatkaan sosisalisasi tentang pentingnya membayar PBB kepada masyarakatnya sehingga masyarakat Desa Kendal tesebut mengetahui waktu pembayaran pajak serta dapat meningkatkan kesadaran untuk membayar pajak khususnya kepada blok yang tingkat kepatuhan pajaknya masih rendah.
DAFTAR PUSTAKA
[1] Undang-Undang No 28 Tahun 2009 tentang Pajak Daerah dan Retribusi Daerah.
[2] Mardiasmo, Perpajakan, Edisi Terbaru 2018. Yogyakarta, 2018.
156
[3] A. Rohendi, “Fungsi Budgeter dan Fungsi Regulasi dalam Ketentuan Perpajakan Indonesia,” Apr. 2014.
[4] R. A. Kamaroellah, “Analisis Kepatuhan Wajib Pajak Bumi dan Bangunan Berdasarkan Realisasi Penerimaan Pajak Bumi dan Bangunan (PBB) Pada Dinas Pendapatan Daerah Kabupaten Pamekasan,” Jurnal Ekonomi dan Perbankan Syariah, vol. 4 No. 1 Juni, no. 1, 2017.
[5] M. Nanda Variestha Waworuntu and M. Faisal Amin, “Penerapan metode K- Means Pemetaan calon Penerima JAMKESDA,” vol. 05, p. 190, 2018.
[6] M. S. Yana et al., “Penerapan Metode K-Means dalam Pengelompokan Wilayah Menurut Intensitas Kejadian Bencana Alam di Indonesia Tahun 2013-2018,” 2018.
[7] Q. Widayati, “Penerapan Data Mining Menggunakan Metode Teknik Classification… …(Qoriani Widayati ),” Jurnal Ilmiah MATRIk, vol. Vol.20 No.2, no. PBB, Data Mining, 2018, [Online]. Available: www.pajak.go.id [8] A. Sani, J. Teknologika, and E. Muningsih, “Penerapan Metode K-Means
Clustering pada Perusahaan.”
[9] R. Rosmini, A. Fadlil, and S. Sunardi, “Implementasi Metode K-Means Dalam Pemetaan Kelompok Mahasiswa Melalui Data Aktivitas Kuliah,” IT Journal Research Development, vol. 3, no. 1, pp. 22–31, Aug. 2018, doi:
10.25299/itjrd.2018.vol3(1).1773.
[10] F. Farahdinna, I. Nurdiansyah, A. Suryani, and A. Wibowo, “Perbandingan Algoritma K-Means dan K-Medoids dalam Klasterisasi Produk Asuransi Perusahaan Nasional,” Jurnal Ilmiah FIFO, vol. 11, no. 2, p. 208, Nov. 2019, doi:
10.22441/fifo.2019.v11i2.010.
